互联网不仅深刻改变了人们生活、工作方式,也对许多传统行业产生了巨大的影响。例如,在线广告已经取代电视、报纸、广告牌等传统媒介,成为主要的广告投放模式。特别是结合大数据分析的广告精准定向投放已经被广泛部署到了各种电商、视频、社交网站,为平台方和产品方均带来了巨大的经济收益。作为广告实现精准投放的关键,点击率预测算法获得了来自学术界和工业界的持续关注。本论文对目前已有的各种点击率预测算法展开研究,特别讨论了基于深度学习模型的点击率预测算法。这类点击率预测算法的优点是能够有效捕捉到每个广告展示机会的高阶特征信息,从而使点击率预测更为准确,但是也存在一些问题亟待解决:首先,深度模型以一种“黑盒”的方式隐式地学习高阶特征信息,这为模型的可解释性问题带来了挑战;其次,当前主流深度模型对用户行为数据挖掘不足,而用户行为是兴趣的载体,因此有必要对用户行为建模以提高用户体验和预测准确性。针对上述问题,本文工作总结如下:首先,本文将注意力机制运用到点击率预测任务中,提出了一种基于层次注意力机制的浅层模型HAN。在浅层模型的建模阶段,引入了两个层次的注意力机制,以显式地对有限阶的特征组合进行建模。该方法在提高特征组合效率的同时也提升了模型的可解释性。论文在三个真实数据集上验证了HAN的性能,实验结果表明HAN在预测性能上优于目前已有的典型预测方案。其次,在浅层模型HAN的基础上,为充分挖掘特征之间的高阶非线性关联,本文还引入深度神经网络与浅层结构HAN一起联合学习,提出了基于层次注意力机制的点击率预测融合模型DHAN。通过在三个公开数据集上的实验表明,与基线模型相比,DHAN获得了最优的预测性能,在AUC指标上比最新的x Deep FM分别提升了0.037%（Criteo）和0.052%（Avazu）。最后,为更好地建模用户行为序列数据以挖掘用户的潜在兴趣,本文提出了一种基于用户行为序列的点击率预测模型UAIN。此模型分为两个部分:基于用户行为序列的兴趣抽取模块和基于注意力机制的用户-候选广告交互模块。兴趣抽取模块包含了行为提炼层和兴趣发展层,不仅从原始用户行为中提取出了用户的初步兴趣表示,同时还引入了带有注意力机制的GRU单元来建模用户的兴趣演化过程。用户-候选广告交互模块则根据用户画像信息,进一步挖掘候选广告和用户画像信息之间的交互关系,解决了当系统冷启动时用户行为较少的问题。